分类筛选
分类筛选:

关于能耗论文范文资料 与建筑能耗预测技术应用有关论文参考文献

版权:原创标记原创 主题:能耗范文 科目:开题报告 2024-02-22

《建筑能耗预测技术应用》:本论文可用于能耗论文范文参考下载,能耗相关论文写作参考研究。

摘 要:建筑能耗在总能源消费中占比已达三分之一,有效的能源消费预测,对建筑能源管理和节能决策是重要的.本文对近期相关文献进行了回顾,总结介绍了建筑能耗预测方法技术.着重关注了神经网络、支持向量机应用,并引用文献的研究结果,进行预测精度对比.

关键词:建筑能耗;节能;能源消费预测

DOI:10.16640/j.cnki.37-1222/t.2017.12.100

0 引言

全球建筑能源消耗已超过工业和交通运输,国际上发达国家的建筑能耗一般占全国总能耗的33%左右.《2013-2017年中国智能建筑行业发展前景与投资战略规划分析报告》数据显示,我国建筑能耗已达到全国总能源消费的三分之一多,随着城市化进程的加快和人民生活质量的改善,建筑能耗占比还将上升至35%左右.对建筑能耗进行科学分析和合理预测,有助于提高建筑能源管理水平.

预测技术在能源生产消费管理中的应用,有几个方面,包括:1)预测技术应用于能源生产过程.2)企业、行业或国家能源标杆管理.3)能源负荷预测,用于需求侧管理和网络平衡.4)能源消费预测:工业、运输和建筑等.本文对将对近期部分相关研究进行回顾,总结介绍建筑能耗预测的方法技术.

1 建筑能耗影响因素

影响建筑能耗的因素有很多,并且具有随机性、时变性和地域性.主要的影响因素包括:1)建筑物外部环境(天气),2)建筑物特征(结构、材料等),3)建筑物内部耗能系统性能(照明、空调、通风系统等),4)建筑物运行特征(入住率及行为特征等).建筑物用途不同,运行特征就不同.

不同的预测目的,有不同的时间范围.按预测时间范围可分为:短期负荷预测(STLF),中期负荷预测(MTLF)和长期负荷预测(LTLF).对于不同方面的研究,时间范围的定义略有差异.短期负荷预测时间范围通常是24小时,最长至一个星期.中期负荷预测分析涵盖了从一个星期到长达一年时间范围.长期负荷预测分析包括了更长的时间,区域或国家层面上的年度能耗预测预测,通常用于基础设施规划.

在进行建筑能耗预测建模时,建筑物用途、预测层次范围、预测时间范围不同,选取的影响因素不同.文[1]研究办公大楼的用电量短期预测,预测时考虑的影响因素细分为:入住率、通风负荷、热泵负载、设备负荷、室内温度、室外温度、日光水平、太阳辐射、风速、电价等;文[2]研究美国住宅领域能源需求长期预测,选取影响因素:居民人口总数、GDP、家庭规模(人口)、中等家庭收入、住宅用电成本、宅天然气成本、住宅燃料油的成本;文[3]研究事件场所(体育场馆、音乐厅、剧院、和会议中心等)能耗短期预测和高峰需求预测,影响因素:事件类型、年之日(1到365)、日之时(1到24)、事件发生日(0或1)、座位配置.

2 建筑能耗预测方法

建筑能耗预测方法主要分为两大类:(1)工程模型(engineering modeling)或正演模型(forward modeling);(2)数据驱动模型(data-driven modeling) .工程模型使用物理和热力学函数推导理论过程和系统的能源消耗,工程模型产生精确的结果,但也需要详细的输入.根据模型中方程和变量的数量多少,工程模型可分为详细的工程模型和简化的工程模型.数据驱动的方法,用历史数据来建立能耗数据驱动模型.根据输入变量和输出结果的关系能否以显式的数学形式给出,区分为“白箱”结构和“黑箱”结构.“黑箱”通常使用机器学习技术,如人工神经网络、支持向量机,或决策树的方法.

在机器学习方法中,应用最广泛的预测方法是人工神经网络(ANN)和支持向量机(SVM).各种方法对比如表1.

在讨论预测模型方法的时候,预测精度是预测方法研究关注的主要问题.提高精度的困难在于系统的复杂性.很多研究结合了几种方法开发混合的预测模型,以提高预测精度.

目前研究工作中,经常使用的二个精度指标是:均方根误差(RMSE)和平均绝对百分比误差(MAPE).其它指标还有:预测误差e, 百分误差PE , 平均百分误差MPE ;平均误差ME ,平均绝对误差MAE;均方差 MSE;标准差 SDE;决定系数R2;变异系数CV.

为对比分析建筑能耗预测方法及其应用,以下列出一些研究文献,描述的内容包括:研究内容,建模方法;精度指标;建筑类型/预测时间范围;主要结论.

文[4],2004年,空间供暖和生活热水能耗预测,神经网络模型(NN);精度指標:CV,R2;国家和地区层面,住宅/长期预测(年);结论:NN模型和工程模型都具备预测的能力,NN模型具有更好的性能.

文[5],2008年,能源密集型制造行业电力消费预测,人工神经网络(ANN);精度指标: MAPE;制造行业,电力消费/长期预测(年);结论:ANN和非线性回归模型之间的比较,ANN具有良好的用电量预测价值.

文[6],2008年,终端用户能源系统(住宅、工业、商业、非工业的、娱乐和公共照明负载)需求预测,建模方法:ARMA((自回归移动平均过程),BPNN(反向传播神经网络),GMDH(数据处理组合方法) ;精度指标:MAPE;终端用户能源系统/中期预测(月);结论:ARMA,BPNN,GMDH 对比,GMDH最优.

2010年,住宅能耗预测,四种建模方法:BPNN(反向传播神经网络)、RBFNN(径向基函数神经网络)、GRNN(广义回归神经网络)和SVM(支持向量机);精度指标:RMSE;住宅/年;结论:SVM预测准确性较高.

2009年,应用SVM预测暖通空调系统冷负荷,建模:ARIMA模型、SVM;结论:误差分析表明,SVM比ARIMA更好的性能.

文[2] 2013年,美国住宅领域能源需求多元线性回归和ANN模型;国家和地区层面,住宅能耗/长期预测(1年);结论:模型是健壮的.在准确性方面,模型研究没有显著不同.然而,由于他们对经济危机的敏感性,ANN方法可能更为现实.

能耗论文参考资料:

结论:建筑能耗预测技术应用为大学硕士与本科能耗毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载,关于免费教你怎么写能耗方面论文范文。

和你相关的